j pour le pays d’origine et t pour le mois entre 2007-2019
Y_{j,t} = nombre d’arrivées touristiques (j,t)
Taux de change $/€, t
Distance * prix de Brent, (j,t)
Indices des cours des actions , (j,t)
Variable binaire :
Europe, Asie, Amerique, Pacific / Pacific –> référence
1er vol de French Bee en Mai 2018
Hub : France, USA, Japon et NZ
Mois –> Tendance et saison / Mois de janvier –> référence
Expedia, accord entre Tahiti Tourism et Expedia depuis Mai 2012
#importation donnees panel
path_base <- "data_gravity.csv"
df <- read.csv(path_base, sep=";", header = TRUE )
df$period <- as.yearmon(df$period,format="%m/%Y")
#---modele MCO simple
fit_mco <- lm(log(nb_tourism+1)~ log(dist_oil)+log(price)+Tx_change+
as.factor(mois)+ europe+asia+america+
hub,data=df)
summary(fit_mco)
##
## Call:
## lm(formula = log(nb_tourism + 1) ~ log(dist_oil) + log(price) +
## Tx_change + as.factor(mois) + europe + asia + america + hub,
## data = df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.3849 -0.7076 -0.0506 0.7034 4.1343
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.821909 0.823585 4.641 3.58e-06 ***
## log(dist_oil) 0.148586 0.066023 2.251 0.024465 *
## log(price) 0.199995 0.067169 2.977 0.002922 **
## Tx_change -0.229469 0.146453 -1.567 0.117224
## as.factor(mois)2 -0.004123 0.087526 -0.047 0.962428
## as.factor(mois)3 0.044781 0.087646 0.511 0.609430
## as.factor(mois)4 0.029811 0.087782 0.340 0.734169
## as.factor(mois)5 0.032598 0.087874 0.371 0.710684
## as.factor(mois)6 0.059903 0.087939 0.681 0.495785
## as.factor(mois)7 0.322034 0.087864 3.665 0.000250 ***
## as.factor(mois)8 0.134308 0.087715 1.531 0.125797
## as.factor(mois)9 0.229918 0.087785 2.619 0.008847 **
## as.factor(mois)10 0.314954 0.087882 3.584 0.000342 ***
## as.factor(mois)11 0.162616 0.087638 1.856 0.063587 .
## as.factor(mois)12 0.137751 0.087585 1.573 0.115846
## europe -2.423336 0.097344 -24.895 < 2e-16 ***
## asia -2.925646 0.091325 -32.036 < 2e-16 ***
## america -1.375575 0.082726 -16.628 < 2e-16 ***
## hub 3.581755 0.059757 59.938 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.18 on 4349 degrees of freedom
## Multiple R-squared: 0.5536, Adjusted R-squared: 0.5517
## F-statistic: 299.6 on 18 and 4349 DF, p-value: < 2.2e-16
#Vérification des hypothèses statistiques
#Si les résidus suivent une loi normal
shapiro.test(resid(fit_mco)) #p-value < 5% on accepte la normalité des residus
##
## Shapiro-Wilk normality test
##
## data: resid(fit_mco)
## W = 0.99234, p-value = 1.39e-14
#test de RAMSEY --> RESET : consiste à vérifier si le modèle sélectionné est linéaire ou non
reset(fit_mco)
##
## RESET test
##
## data: fit_mco
## RESET = 9.4814, df1 = 2, df2 = 4347, p-value = 7.784e-05
#p_value 7.801e-05<0.05 le test de linearite est valide
#verifier l'hypothèse d'homoscédacticité
bptest(fit_mco) #pvalue<0.05
##
## studentized Breusch-Pagan test
##
## data: fit_mco
## BP = 498.16, df = 18, p-value < 2.2e-16
#Refus de l’hypothèse d’homoscédacticité des résidus au seuil de risque de 5%
#----
#---- Modele de gravite ----
#Poisson pseudo maximum likelihood W/ fixed effects
#modele de gravite avec ppml avec regression sous forme log-log
fit <- ppml(
dependent_variable = "lnb_tourism",
distance = "dist_oil",
additional_regressors = c("lprice","Tx_change","europe","asia",
"america","hub","french_bee","expedia",
"fev","mar","avr","mai","jui","juil",
"aou","sep","oct","nov","dec"),
data = df
)
summary(fit)
##
## Call:
## y_ppml ~ dist_log + lprice + Tx_change + europe + asia + america +
## hub + french_bee + expedia + fev + mar + avr + mai + jui +
## juil + aou + sep + oct + nov + dec
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -2.94718 -0.34652 -0.00908 0.33007 1.85648
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.3384556 0.1882270 7.111 1.34e-12 ***
## dist_log 0.0289085 0.0148115 1.952 0.051031 .
## lprice 0.0401641 0.0173177 2.319 0.020427 *
## Tx_change -0.0403766 0.0402402 -1.003 0.315728
## europe -0.4627869 0.0206298 -22.433 < 2e-16 ***
## asia -0.5742328 0.0193732 -29.641 < 2e-16 ***
## america -0.2633078 0.0166032 -15.859 < 2e-16 ***
## hub 0.6104078 0.0112029 54.487 < 2e-16 ***
## french_bee 0.0297984 0.0140130 2.126 0.033519 *
## expedia -0.0040554 0.0120557 -0.336 0.736592
## fev -0.0006656 0.0200444 -0.033 0.973511
## mar 0.0099578 0.0200117 0.498 0.618791
## avr 0.0068489 0.0200488 0.342 0.732661
## mai 0.0053984 0.0201048 0.269 0.788317
## jui 0.0113721 0.0200673 0.567 0.570949
## juil 0.0654098 0.0198007 3.303 0.000963 ***
## aou 0.0268497 0.0199661 1.345 0.178770
## sep 0.0467012 0.0198719 2.350 0.018812 *
## oct 0.0656808 0.0198526 3.308 0.000946 ***
## nov 0.0347782 0.0198876 1.749 0.080406 .
## dec 0.0295773 0.0199126 1.485 0.137522
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for quasipoisson family taken to be 0.3381264)
##
## Null deviance: 3007.6 on 4367 degrees of freedom
## Residual deviance: 1603.4 on 4347 degrees of freedom
## AIC: NA
##
## Number of Fisher Scoring iterations: 4